Введение
Загрузите портрет и запись голоса. Необязательный запрос задаёт мимику и движения, а без него подача следует за звуком.
| Характеристика | Значение |
|---|---|
| Ввод | Изображение Аудио |
| Вывод | Видео |
| Сочетание входных данных | Один портрет и одна запись голоса |
| Форматы портрета | JPEG, PNG или WebP |
| Ограничение длительности аудио | До 120 секунд |
| Промпт для подачи | Необязателен; от 1 до 2 000 символов при заполнении |
| Варианты разрешения результата | 480p или 720p |
| Разрешение по умолчанию | 720p |
| Соотношение тарифов разрешения | При одинаковой длительности аудио: тариф 720p = 2 x тариф 480p |
| Основа расчета оплаты | Каждая начатая секунда входной записи |
| Минимальная оплата | Четыре секунды |
| Незавершенные запуски | Без оплаты |
| Входные данные зафиксированного теста | Портрет и 9,2 секунды аудио, выбрано 480p |
| Результат зафиксированного теста | MP4, 556 x 740 пикселей, 9,38 секунды |
Ключевые возможности и особенности
Короткая запись с результатом в MP4
В нашем запуске 18 ноября 2026 года портрет был объединен с голосовым фрагментом длиной 9,2 секунды. Результатом стал MP4 размером 556 x 740 пикселей и длительностью 9,38 секунды. В запросе были выбраны 480p и теплая манера речи со спокойными, естественными движениями головы. Включите пример со звуком, чтобы оценить подачу.
Настройте манеру речи
Используйте до 2 000 символов для указаний по мимике и движениям. Слова должны быть в записи, а подача — в промпте: приветливая, сдержанная или сосредоточенная, с нужными движениями головы. Сделайте указание достаточно кратким, чтобы его можно было сверить с готовым роликом.
Выберите тариф перед отправкой
Доступны 480p и 720p, по умолчанию выбрано 720p. При одинаковой длительности входного аудио 720p стоит вдвое дороже 480p. Оплата рассчитывается за каждую начатую секунду входной записи с минимумом в четыре секунды; незавершенный запуск не оплачивается.
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
image_url | Да | Портрет, который нужно оживить. Не менее 1 символов |
audio_url | Да | Запись голоса, до 120 секунд. Менее 4 секунд оплачивается как 4. Не менее 1 символов |
prompt | Нет | Необязательные указания по мимике и движениям. Не менее 1 символов · Не более 2000 символов |
resolution | Нет | Выберите 480p или 720p (по умолчанию). 720p стоит вдвое дороже 480p. |
Стоимость
Talking Avatar Flash оплачивается за каждую начатую секунду входного аудио, минимум четыре секунды. Незавершённые запуски не оплачиваются.
| Спецификация | Стоимость |
|---|---|
| $0.162 / секунду |
| $0.324 / секунду |
Сценарии использования
Записанное представление
Соедините портрет спикера с подготовленной приветственной записью для курса или мероприятия. Ограничьте необязательное указание конкретной задачей, например дружелюбным выражением лица и сдержанными движениями головы, а перед публикацией проверьте подачу.
Рассказ о продукте на основе голоса
Используйте портрет профессионального представителя вместе с записью, объясняющей продукт. До генерации утвердите текст в аудио, а в промпте опишите мимику и движения, которые хотите попробовать.
Гид для выставки
Соедините портрет гида с подготовленной записью об экспонате. Опишите спокойное выражение лица и сдержанные движения головы, затем просмотрите видео вместе с рассказом, прежде чем добавлять его в материалы выставки.
Приветствие для мастер-класса
Дополните портрет преподавателя ремесла записанным вступлением к занятию. Через промпт движений запросите непринужденную подачу и проверьте, соответствует ли готовый ролик темпу учебных материалов.
Руководство по промптам и практические советы
Подготовьте портрет и запись
Выберите портрет JPEG, PNG или WebP и запись голоса длительностью до 120 секунд. Перед загрузкой прослушайте аудио целиком и утвердите текст речи.
Задайте мимику и движения
Добавьте короткое указание для подачи, например приветливое выражение лица со сдержанными движениями головы. Промпт необязателен и допускает до 2 000 символов.
Выберите разрешение результата
Выберите 480p или 720p; по умолчанию используется 720p. При одинаковой длительности входного аудио 720p стоит вдвое дороже, чем 480p.
Посмотрите готовое видео
Воспроизведите ролик со звуком и сравните движения рта, мимику и завершение с вашей записью. Оцените подачу с учетом того, где планируете использовать видео.
Пусть портрет произнесет вашу запись
Talking Avatar Flash анимирует неподвижный портрет на основе записи голоса. Передайте изображение и аудио, выберите 480p или 720p и при необходимости добавьте указания по мимике и движениям. Такой процесс подходит для приветствия на курсе, представления спикера или рассказа о продукте, если текст речи уже подготовлен.
Речь содержится в записи. Рассматривайте промпт как указания для исполнения: каким должно быть выражение лица и как должна двигаться голова во время речи. Четкое разделение этих ролей помогает подготовить входные данные и оценить полученное видео.
Подготовьте портрет и аудио
Передайте портрет JPEG, PNG или WebP в image_url, а запись голоса — в audio_url. Оба поля требуют непустого значения. Аудио может длиться до 120 секунд, поэтому перед отправкой проверьте полную длительность файла.
Выберите портрет, на котором можно ясно рассмотреть лицо. Прослушайте запись от начала до конца и до генерации утвердите слова, паузы и завершение. Уберите ненужный дубль или случайную тишину при подготовке аудио, а не пытайтесь исправить произносимый текст через промпт движений.
Поля ввода
Укажите два обязательных URL для исходных материалов, затем настройте необязательные поля под нужную подачу и высоту результата.
| Поле | Назначение | Допустимое значение |
|---|---|---|
image_url | Портрет для анимации | Обязательная непустая строка; JPEG, PNG или WebP |
audio_url | Запись голоса с текстом речи | Обязательная непустая строка; до 120 секунд |
prompt | Указания по мимике и движениям | Необязателен; от 1 до 2 000 символов при заполнении |
resolution | Настройка высоты результата | 480p или 720p; по умолчанию 720p |
Пишите указания, которые можно проверить
Опишите мимику и движения короткой связной инструкцией. Для приветствия можно запросить дружелюбное выражение лица и ровные движения головы. Для презентации сосредоточенное выражение лица и небольшие размеренные движения дадут другое направление для оценки. Соотнесите указание с назначением записи.
Не заполняйте промпт другой версией сценария. Если нужно изменить название продукта, деталь урока или приветствие, отредактируйте аудио до отправки следующего запроса. Текстовое поле используйте для подачи, которую хотите видеть во время воспроизведения записи.
Если письменные указания не нужны, пропустите prompt. Если передаете его, укажите непустое значение и соблюдайте ограничение в 2 000 символов. Чтобы сравнить два варианта указаний, оставьте портрет, запись и разрешение без изменений и измените конкретную инструкцию по мимике или движению. Сохраните оба промпта вместе с результатами, чтобы оценить разницу.
Выберите разрешение и рассчитайте оплату
Доступные настройки высоты результата — 480p и 720p. Если пропустить resolution, будет выбрано 720p. При одинаковой длительности входного аудио 720p стоит вдвое дороже 480p. Выберите настройку до отправки и используйте цену на этой странице для расчета запроса.
Оплачивается каждая начатая секунда входного аудио с минимумом в четыре секунды. Для записи короче четырех секунд также применяется этот минимум. В более длинных записях неполная секунда учитывается как начатая. Рассчитывайте стоимость по исходной записи и выбранному разрешению, а не по длительности полученного видео. Незавершенные запуски не оплачиваются.
Наш результат с портретом и аудио
18 ноября 2026 года в запуске night-sky-talk мы объединили портрет с голосовым фрагментом длиной 9,2 секунды при настройке 480p. Он вернул MP4 размером 556 x 740 пикселей и длительностью 9,38 секунды. Указание для движений было таким:
He speaks warmly with calm, natural head movement.
Откройте пример со звуком, чтобы проверить, как говорящий портрет передает запись. В этом запуске измеренная длительность входного аудио отличается от длительности полученного видео; при расчете оплаты по аудио используйте входную запись.
Проверьте перед публикацией
Посмотрите готовый ролик, сверяясь с исходным портретом и записью. Сопоставьте движения рта с речью, изучите выражение лица во время пауз и дослушайте до конца. Оцените, подходит ли подача для выбранного места в уроке, выступлении или рассказе о продукте.
Если хотите изменить подачу, определите конкретную мимику или движение для правки. Если исправления нужны в самой речи, подготовьте обновленную запись. Храните входные данные, промпт и разрешение вместе с результатом, чтобы у следующего запроса была ясная отправная точка.
Сравните похожие варианты говорящих аватаров
Выберите этот эндпоинт, если задача начинается с портрета и подготовленной записи длиной до 120 секунд, а настройки 480p или 720p подходят для вашего применения. Для другого процесса создания говорящего аватара сравните страницы talking-avatar/v1 и infinitetalk/v1. Перед выбором семейства моделей сопоставьте их входные поля, настройки и отображаемые цены с исходными материалами, которые планируете использовать.
Быстрый старт API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "spicyapi/talking-avatar-flash/talking-avatar",
"input": {
"audio_url": "https://example.com/reference.mp3",
"image_url": "https://example.com/reference.png",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.
